本文提出了一种基于ObjectBox的无锚点（anchor-free）麦穗检测方法。首先，在ObjectBox主干的基础上，使用卷积块的注意力模块（convolutional block attention module, CBAM），改善通道和空间中各个特征的连通性，增强网络的特征提取能力。其次，在颈部部分，使用ConvNeXtBlock）来更好地融合或提取骨干给出的特征图。最后，对非最大抑制算法进行改进，去除中心冗余检测盒。在公开的全球小麦穗部检测数据集上的实验结果表明，该方法的平均精度(mAP)为96.0%，精度(Precision)为94.5%，召回率(Recall)为92.2%，F1分数为93.3%。与原ObjectBox模型相比，mAP、Precision、Recall和F1得分分别提高了2.0%、1.3%、2.9%和2.1%。与现有的其他小麦穗检测方法相比，具有更高的检测精度。
图1 集成CBAM和ConvNeXtBlock的改进网络结构(在CNB中)
图2 不同方法的比较结果，黄圈表示主要差异。上一行:原始图像上叠加的真实标注，中一行:ObjectBox的结果，下一行:所提方法的结果(彩色图在线)
图3 移除图2第三行蓝色箭头所指的中心冗余检测盒(彩色图在线)
来 源Wang, M., Sun, K. & Guo, A. Wheat ear detection using anchor-free ObjectBox model with attention mechanism. SIViP (2023). https://doi.org/10.1007/s11760-023-02564-5
编辑
王春颖
- 植物表型资讯2022年1-12月目录汇总
- 植物表型资讯2023年1-12月目录汇总